連續(xù)空間中機(jī)器人的情緒交互模型

解侖，劉欣，賀苗，王志良

?

連續(xù)空間中機(jī)器人的情緒交互模型

解侖，劉欣，賀苗，王志良

(北京科技大學(xué)計(jì)算機(jī)與通信工程學(xué)院，北京，100083)

根據(jù)交互過(guò)程中的場(chǎng)力理論，在有源場(chǎng)情緒狀態(tài)空間中建立起服務(wù)機(jī)器人的連續(xù)可控的情感調(diào)節(jié)過(guò)程。首先，在費(fèi)希納?韋伯定律的基礎(chǔ)上，定量分析Gross策略中情緒的自發(fā)性認(rèn)知重評(píng)與指導(dǎo)性認(rèn)知重評(píng)過(guò)程；其次，根據(jù)情感強(qiáng)度第三定律提出一種與情緒效價(jià)相關(guān)聯(lián)的情緒強(qiáng)度衰減模型；再次，依據(jù)動(dòng)力心理學(xué)理論，建立起基于有源場(chǎng)的情緒能量空間，用于模擬外界刺激情緒與機(jī)器人自身情緒的相互作用過(guò)程；并建立起基于情緒喚醒度的機(jī)器人行為表達(dá)抑制模型。在此研究基礎(chǔ)上，提出基于HMM的情緒狀態(tài)刺激轉(zhuǎn)移算法；并將以上模型算法用于13自由度的服務(wù)機(jī)器人平臺(tái)中，實(shí)現(xiàn)非典型表情交互環(huán)境中機(jī)器人不確定性情緒過(guò)程的動(dòng)態(tài)、可控調(diào)節(jié)。通過(guò)在連續(xù)情緒狀態(tài)空間中的不確定性計(jì)算將離散的情緒狀態(tài)拓展到連續(xù)空間中，并產(chǎn)生多種中間狀態(tài)以及發(fā)揮機(jī)器人情緒調(diào)節(jié)的擬人特征。研究結(jié)果表明：具有認(rèn)知能力及情緒控制力的機(jī)器人可以在交互過(guò)程中使參與者的滿意程度得到一定提升。

機(jī)器人；人機(jī)交互；認(rèn)知重評(píng)；情緒調(diào)節(jié)；有源場(chǎng)情緒空間

由于人類(lèi)之間的溝通與交流是自然而富有情感的，因此，在人機(jī)交互的過(guò)程中，人們也很自然地期望計(jì)算機(jī)具有認(rèn)知情感能力。如何使計(jì)算機(jī)能夠識(shí)別和產(chǎn)生人類(lèi)的情緒，已經(jīng)越來(lái)越多地受到計(jì)算機(jī)科學(xué)、心理學(xué)等學(xué)科的關(guān)注，逐漸誕生了認(rèn)知情感計(jì)算這一交叉領(lǐng)域[1?2]。認(rèn)知情感計(jì)算(cognitive affective computing)就是要賦予計(jì)算機(jī)類(lèi)似于人一樣的觀察、理解和生成各種情緒狀態(tài)的能力，最終使計(jì)算機(jī)像人一樣能進(jìn)行自然、親切和生動(dòng)地交互[3?5]。近年來(lái)，機(jī)器人研究領(lǐng)域涌現(xiàn)出眾多有價(jià)值的情緒模型。LAZARUS[6]指出認(rèn)知調(diào)節(jié)與期望價(jià)值理論(動(dòng)機(jī)心理學(xué)中最有影響價(jià)值的理論之一)在情緒與行為相關(guān)社科領(lǐng)域的發(fā)展將進(jìn)一步促進(jìn)有限情緒狀態(tài)分類(lèi)方法的研究?；诿娌勘砬檠芯浚珽KMAN[7]提出了6種基本的情緒狀態(tài)，包括：快樂(lè)、恐懼、悲傷、憤怒、驚訝和厭惡，該分類(lèi)方法得到諸多表情與情緒研究領(lǐng)域?qū)W者的認(rèn)可。AMERO[8]將情緒劃分為憤怒、厭倦、恐懼、快樂(lè)、有趣和悲傷，并將其應(yīng)用到社交機(jī)器人的情緒建模研究中。GADANHO[9]將4種基本情緒狀態(tài)(快樂(lè)、恐懼、悲傷和憤怒)與特定事件相聯(lián)系來(lái)開(kāi)展情緒建模研究。VELáSQUEZ[10]提出了一種基于有限情緒狀的自主機(jī)器人控制方法，此方法將6種基本情緒狀態(tài)(憤怒、恐懼、懊悔、快樂(lè)、厭惡和驚訝)應(yīng)用于機(jī)器人的先天個(gè)性形成與后天學(xué)習(xí)能力培養(yǎng)的研究中。MURPHY等[11]將任務(wù)鏈中獲取的4種基本情緒狀態(tài)(快樂(lè)、自信、關(guān)心和挫敗)應(yīng)用到多Agent系統(tǒng)建模中。隨著認(rèn)知情感研究的不斷深入，越來(lái)越多的學(xué)者將離散的情緒集擴(kuò)展到連續(xù)的情緒狀態(tài)空間中。MEHRABIAN等[12]提出了PAD(pleasure?arousal? dominance)三維情感模型，PAD 情緒模型用愉悅度、激活度和優(yōu)勢(shì)度這 3個(gè)相互獨(dú)立的維度來(lái)描述和測(cè)量情緒狀態(tài)。其中，愉悅度表示個(gè)體情緒狀態(tài)的正負(fù)情感特性，也就是情緒的效價(jià)；激活度表示個(gè)體的神經(jīng)生理激活水平和心理警覺(jué)狀態(tài)；優(yōu)勢(shì)度表示個(gè)體對(duì)環(huán)境和他人的控制狀態(tài)，即處于優(yōu)勢(shì)狀態(tài)還是處于順從狀態(tài)[13?14]。在此基礎(chǔ)上，SCHERER等[15?16]改進(jìn)了PAD三維情緒空間并將其應(yīng)用于社交機(jī)器人的情緒決策系統(tǒng)中。ZECCA等[17]將建立的APC (arousal? pleasant?certain)三維心理向量空間應(yīng)用于機(jī)器學(xué)習(xí)、動(dòng)態(tài)情緒調(diào)節(jié)及機(jī)器的個(gè)性化研究領(lǐng)域。此外，BREAZEAL[18]在對(duì)表情機(jī)器人Kismet的研究過(guò)程中提出了AVS(arousal?valence?stance)情緒空間模型。針對(duì)目前人機(jī)交互過(guò)程中的認(rèn)知缺失問(wèn)題，本文作者提出了一種基于Gross認(rèn)知重評(píng)的連續(xù)狀態(tài)情緒調(diào)節(jié)方法。首先，在情緒的動(dòng)態(tài)調(diào)節(jié)過(guò)程中，建立基于Gross認(rèn)知策略的指導(dǎo)性及自發(fā)性認(rèn)知重評(píng)模型，以完成個(gè)性化的認(rèn)知過(guò)程，增強(qiáng)機(jī)器人的動(dòng)態(tài)認(rèn)知性能。其次，在有源場(chǎng)情緒空間中，定義情緒衰減因子，以此描述情緒隨時(shí)間遷移的變化過(guò)程，并空間中的能量分布得到機(jī)器人的情緒狀態(tài)轉(zhuǎn)移概率。最終，結(jié)合隱馬爾科夫雙重隨機(jī)過(guò)程來(lái)描述機(jī)器人的情緒調(diào)節(jié)與表達(dá)，并以13自由度的機(jī)器人實(shí)驗(yàn)平臺(tái)為情緒表達(dá)的基礎(chǔ)，來(lái)實(shí)現(xiàn)人與機(jī)器人的動(dòng)態(tài)認(rèn)知情緒互動(dòng)。

1 機(jī)器人的認(rèn)知情緒處理

1.1 認(rèn)知重評(píng)策略

GROSS[19?20]認(rèn)為情緒調(diào)節(jié)(emotion regulation)是個(gè)體對(duì)產(chǎn)生何種情緒、情緒何時(shí)發(fā)生、如何進(jìn)行情緒體驗(yàn)與表達(dá)抑制影響的過(guò)程。簡(jiǎn)單地說(shuō)，情緒調(diào)節(jié)是指?jìng)€(gè)體對(duì)情緒發(fā)生、體驗(yàn)與表達(dá)施加影響的過(guò)程[16]。情緒調(diào)節(jié)涉及對(duì)情緒的潛伏期、發(fā)生時(shí)間、持續(xù)時(shí)間、行為表達(dá)、心理體驗(yàn)、生理反應(yīng)等的改變，是一個(gè)動(dòng)態(tài)過(guò)程。Gross提出了5種情緒調(diào)節(jié)策略[21]：情境選擇、情境修正、注意分配、認(rèn)知重評(píng)與表達(dá)抑制。認(rèn)知重評(píng)是發(fā)生在情緒調(diào)節(jié)過(guò)程早期的先行聚焦策略，認(rèn)知重評(píng)策略包括自發(fā)性認(rèn)知重評(píng)和指導(dǎo)性認(rèn)知重評(píng)2部分。自發(fā)性認(rèn)知重評(píng)主要依賴(lài)于情緒體驗(yàn)中內(nèi)部意志和個(gè)性因素的影響，自導(dǎo)性認(rèn)知重評(píng)則與指導(dǎo)情緒的強(qiáng)度和當(dāng)前情緒狀態(tài)的開(kāi)放程度。當(dāng)個(gè)體處于困境或心理期待與現(xiàn)實(shí)存在差距時(shí)，將會(huì)催生諸如悲傷、焦慮、憤怒、痛苦等負(fù)向情緒。一般而言，認(rèn)知重評(píng)過(guò)程可以有效降低負(fù)向情緒強(qiáng)度，改善個(gè)體的情緒體驗(yàn)。此外，在情緒調(diào)節(jié)的過(guò)程中，表達(dá)抑制策略也可以促進(jìn)負(fù)向情緒體驗(yàn)程度的降低。然而，心理學(xué)家研究證明，相比于其他4種情緒調(diào)節(jié)策略，認(rèn)知重評(píng)策略對(duì)于抑制負(fù)向情緒的體驗(yàn)最為有效。

人的心理由內(nèi)在需求與外在環(huán)境的相互作用決定，當(dāng)人的需求未得到滿足時(shí)，會(huì)產(chǎn)生內(nèi)部張力，而環(huán)境(可具體到目標(biāo)或?qū)ο?起著誘導(dǎo)作用。因此，人的行為是個(gè)體與環(huán)境的函數(shù)：

可以將情緒空間想象為一個(gè)整體，該整體被劃分為多個(gè)不同的區(qū)域。其中，每一區(qū)域代表著一類(lèi)情緒狀態(tài)，或至少一種行為的可能。通過(guò)行為的交互，目標(biāo)的情緒對(duì)主體自身情緒發(fā)出吸引或排斥的作用力，即場(chǎng)力理論。

由此可見(jiàn)，人的心理行為由內(nèi)在行為與外在環(huán)境共同決定。在本文涉及的人與機(jī)器人的交互過(guò)程中，環(huán)境因素重點(diǎn)考慮到交互者的情緒狀態(tài)的類(lèi)型以及外在指導(dǎo)性情緒的強(qiáng)度；個(gè)性因素主要通過(guò)機(jī)器人模擬人類(lèi)的自發(fā)性認(rèn)知重評(píng)來(lái)實(shí)現(xiàn)。

1.2 指導(dǎo)性認(rèn)知重評(píng)建模

在人機(jī)交互的過(guò)程中，參與者可以通過(guò)語(yǔ)言、行為或面部表情的表達(dá)方式給予機(jī)器人鼓勵(lì)和安慰，以此達(dá)到指導(dǎo)性認(rèn)知重評(píng)的目的，本文將以參與者的表情作為指導(dǎo)性認(rèn)知重評(píng)的依據(jù)。在有源場(chǎng)狀態(tài)空間中，指導(dǎo)性認(rèn)知重評(píng)的發(fā)生將會(huì)改變外界刺激情緒的位置，經(jīng)調(diào)查問(wèn)卷的統(tǒng)計(jì)分析可知經(jīng)重評(píng)后的認(rèn)知情緒狀態(tài)出現(xiàn)在外界刺激情緒狀態(tài)與指導(dǎo)情緒狀態(tài)間的概率分布服從高斯分布，如圖1所示。

圖1 指導(dǎo)性認(rèn)知重評(píng)策略

其中：為外界刺激情緒狀態(tài)與指導(dǎo)情緒的距離；為歐拉數(shù)。

1.3 自發(fā)性認(rèn)知重評(píng)建模

費(fèi)希納?韋伯定律指出內(nèi)在感受強(qiáng)度與外界刺激強(qiáng)度的對(duì)數(shù)成正比，即

其中：為感受強(qiáng)度；為刺激強(qiáng)度；m和為常數(shù)。顯然，這是一個(gè)普適的規(guī)律，但由于心理耐受力等個(gè)性因素的影響，經(jīng)自發(fā)性認(rèn)知重評(píng)后的感受強(qiáng)度規(guī)律并不如此統(tǒng)一。因此，本文引入個(gè)性重評(píng)因子，從而式(4)可表示為

根據(jù)AVS三維情感模型，可以設(shè)計(jì)出簡(jiǎn)化版的情感量表，每個(gè)維度(A，V，S)分別用4個(gè)項(xiàng)目進(jìn)行測(cè)量，喚醒度通過(guò)平靜?興奮、支配?順從、痛苦?高興、感興趣?放松4項(xiàng)進(jìn)行測(cè)量；效價(jià)通過(guò)憤怒?困倦、受控?主控、友好?輕蔑、平靜?興奮4項(xiàng)進(jìn)行測(cè)量；開(kāi)放度通過(guò)謙卑?高傲、興奮?激怒、拘謹(jǐn)?驚訝、有影響力?被影響4項(xiàng)進(jìn)行測(cè)量。根據(jù)九點(diǎn)語(yǔ)義差異量表的設(shè)計(jì)方法，每個(gè)項(xiàng)目可由1對(duì)在其他2個(gè)維度上基本無(wú)差異，在其所屬維度上對(duì)立的情緒狀態(tài)形容詞組成，并將詞間的間隔分為9段。針對(duì)簡(jiǎn)化版的情感量表，設(shè)計(jì)了對(duì)應(yīng)7種典型外界刺激情緒狀態(tài)的7個(gè)實(shí)驗(yàn)場(chǎng)景，并隨機(jī)選擇500名不同年齡段的志愿者(11~20歲，21~30歲，31~40歲，41~50歲，51~60歲各100人)，通過(guò)實(shí)驗(yàn)獲得各種外界刺激狀態(tài)下的AVS數(shù)據(jù)。經(jīng)自發(fā)性認(rèn)知后的情緒狀態(tài)分布如圖2所示。經(jīng)統(tǒng)計(jì)發(fā)現(xiàn)：認(rèn)知后正向情景對(duì)應(yīng)的500個(gè)AVS數(shù)據(jù)無(wú)明顯的變化，負(fù)向情景對(duì)應(yīng)的500個(gè)AVS數(shù)據(jù)近似服從高斯分布。從而，可以用一組滿足高斯分布的隨機(jī)數(shù)據(jù)模擬自發(fā)性認(rèn)知的參數(shù)，使機(jī)器人具有不確定性的、多元化的自發(fā)認(rèn)知方式。

圖2 經(jīng)自發(fā)性認(rèn)知后的情緒狀態(tài)分布

2 機(jī)器人的動(dòng)態(tài)情緒調(diào)節(jié)過(guò)程

2.1 情緒狀態(tài)的空間描述

與傳統(tǒng)有限情緒狀態(tài)不同的是，本文將情緒調(diào)節(jié)過(guò)程定義在連續(xù)時(shí)間連續(xù)狀態(tài)空間中，以使機(jī)器人的情緒過(guò)程更加細(xì)膩、擬人。機(jī)器人的自身情緒狀態(tài)空間涵蓋了其內(nèi)心所有情緒體驗(yàn)，在外界刺激作用下，機(jī)器人的情緒狀態(tài)可以在該空間中自由的轉(zhuǎn)換。情緒狀態(tài)S可以看作時(shí)刻在有源場(chǎng)狀態(tài)空間中的位置。在有源場(chǎng)狀態(tài)空間中，每個(gè)情緒狀態(tài)的強(qiáng)度都可以通過(guò)其情緒勢(shì)能來(lái)量度。在Ekman 6種基本情緒理論的基礎(chǔ)上，將平靜引入到外界刺激情緒集中，以此構(gòu)成具有7種基本情緒狀態(tài)的外界刺激基本空間：

={憤怒，厭惡，恐懼，高興，悲傷，驚訝，平靜}

2.2 連續(xù)空間中的情緒建模

動(dòng)力心理學(xué)表明，人類(lèi)的情緒調(diào)節(jié)過(guò)程與其他物理系統(tǒng)一樣，需要能量的驅(qū)動(dòng)，在心理學(xué)中稱(chēng)之為心理能量。因此，本文將場(chǎng)的概念引入到Kismet機(jī)器人的喚醒度?效價(jià)?開(kāi)放度(AVS)三維情緒狀態(tài)間中，用于描述情緒的時(shí)空特性，并可以定量地衡量情緒調(diào)節(jié)過(guò)程中能量的動(dòng)態(tài)轉(zhuǎn)移過(guò)程。在此有源場(chǎng)狀態(tài)空間中，機(jī)器人感受到的外界刺激情緒與其當(dāng)前自身情緒狀態(tài)的相互作用如圖3所示，其中，場(chǎng)的強(qiáng)度與分布由情緒狀態(tài)的激活類(lèi)型與強(qiáng)度決定。

圖3 有源場(chǎng)情緒空間模型

其中：W為經(jīng)認(rèn)知分析后外界刺激情緒狀態(tài)的強(qiáng)度；S為當(dāng)前情緒狀態(tài)的強(qiáng)度；為常量。

2.3 情緒強(qiáng)度的衰減

在AVS三維情緒狀態(tài)空間中，坐標(biāo)軸效價(jià)(valence)用于表達(dá)情緒的特性，與情緒強(qiáng)度的衰減尺度緊密相關(guān)。換而言之，情緒強(qiáng)度的衰減受到效價(jià)軸坐標(biāo)的影響。從而得到情緒的衰減系數(shù)為

情緒強(qiáng)度除了受到情緒自身特性的影響外，還會(huì)隨著時(shí)間的遷移逐漸衰減。根據(jù)情感強(qiáng)度第三定律(情感強(qiáng)度時(shí)間衰減定律)可知：情緒強(qiáng)度與持續(xù)時(shí)間成負(fù)指數(shù)關(guān)系。從而可以得到情緒強(qiáng)度的衰減規(guī)律(如圖4所示)。

當(dāng)然，從絕對(duì)意義上來(lái)說(shuō)，任何情感的強(qiáng)度都不會(huì)無(wú)限接近于0，因?yàn)椋魏吻楦械膹?qiáng)度一方面在“情感強(qiáng)度第三定律”的作用下不斷趨于0，另一方面又在眾多隨機(jī)變量的擾動(dòng)下不斷偏離0，從而形成情緒不斷調(diào)節(jié)的波動(dòng)過(guò)程。

2.4 基于HMM的動(dòng)態(tài)情緒調(diào)節(jié)

人與機(jī)器人的情緒交互可以劃分為2部分：基于認(rèn)知的個(gè)性化情緒調(diào)節(jié)和機(jī)器人的情緒行為表達(dá)。此交互過(guò)程可以看作一個(gè)雙重隨機(jī)過(guò)程，因此，本文采用隱馬爾可夫模型對(duì)其進(jìn)行模擬如圖5所示。理論上，機(jī)器人的情緒狀態(tài)由心理能量的驅(qū)使產(chǎn)生，具有情緒狀態(tài)的能量越大，其被激活的可能性也隨之上升。但在實(shí)際心理過(guò)程中，情緒狀態(tài)的能量并不能趨近于無(wú)窮大(過(guò)激)或無(wú)窮小(過(guò)敏)，而是在一定閾值內(nèi)被激活與感知，因此，需要定義情緒的可感知閾值[,]。當(dāng)情緒狀態(tài)的能量在與之間時(shí)，此情緒狀態(tài)存在被激活的可能性。從而得到在有源場(chǎng)狀態(tài)空間中，機(jī)器人的下一情緒狀態(tài)概率為

圖5 基于HMM的動(dòng)態(tài)情緒調(diào)節(jié)過(guò)程

3 機(jī)器人的行為交互及實(shí)現(xiàn)

3.1 機(jī)器人的機(jī)械結(jié)構(gòu)

機(jī)器人的機(jī)械結(jié)構(gòu)依據(jù)成人身體及四肢比例設(shè)計(jì)，如圖6所示，機(jī)器人共有13個(gè)自由度(如表1所示)，可以實(shí)現(xiàn)百余種表情交互。手臂及頸部采用多關(guān)節(jié)聯(lián)合驅(qū)動(dòng)方式，提高了機(jī)器人對(duì)各運(yùn)動(dòng)關(guān)節(jié)的協(xié)同驅(qū)動(dòng)能力并解決了延時(shí)影響交互效果的問(wèn)題，通過(guò)PWM雙向控制技術(shù)，實(shí)現(xiàn)機(jī)器人任意方向精度的姿態(tài)控制。此外，機(jī)器人采用三輪式全向移動(dòng)底盤(pán)設(shè)計(jì)，如圖7所示，雙前輪驅(qū)動(dòng)方式有效提高了機(jī)器人的驅(qū)動(dòng)能力和負(fù)載能力，通過(guò)增量式PID控制整個(gè)調(diào)節(jié)的過(guò)程，實(shí)現(xiàn)機(jī)器人任意方向精確的直線及弧線運(yùn)動(dòng)實(shí)現(xiàn)自動(dòng)避讓障礙和路徑規(guī)劃。

(a) 外觀；(b) 整體結(jié)構(gòu)；(c) 上肢結(jié)構(gòu)

(a) 俯視圖；(b) 三維視圖

表1 機(jī)器人的自由度分配

3.2 機(jī)器人的情緒表達(dá)模型

在人機(jī)交互過(guò)程中，機(jī)器人不斷喚起與體驗(yàn)自身情緒，并通過(guò)面部表情這一情緒反應(yīng)核心部分表現(xiàn)出其當(dāng)前情緒狀態(tài)。在Gross認(rèn)知情緒理論中，表達(dá)抑制作為反應(yīng)關(guān)注情緒調(diào)節(jié)在情緒反應(yīng)趨勢(shì)之后進(jìn)行，可以通過(guò)自我控制的方式降低主觀的過(guò)激情緒行為，也就是說(shuō)，表達(dá)抑制與情緒的可控性密切相關(guān)。在心理學(xué)研究中，情緒的激活程度與可控性相互對(duì)立，當(dāng)具備較高激活程度的情緒時(shí)，其表達(dá)抑制的影響會(huì)相對(duì)減弱。在AVS情緒狀態(tài)空間中，情緒狀態(tài)在喚醒度坐標(biāo)的位置可以表現(xiàn)出該情緒所具備的激活程度，因此，喚醒度的坐標(biāo)影響著機(jī)器人的表達(dá)抑制能力。通過(guò)預(yù)處理，可得到表情機(jī)器人的情緒抑制因子：

1—有抑制因子；2—無(wú)抑制因子。

圖8 情緒抑制因子對(duì)行為動(dòng)作幅度的影響

Fig. 8 Effect of emotional inhibition factor on action range

3.3 行為交互的實(shí)現(xiàn)

本文所提出的情緒交互模型被應(yīng)用于實(shí)時(shí)交互的情景中進(jìn)行有效性驗(yàn)證，機(jī)器人采用基于Gabor小波的表情識(shí)別方法捕捉參與者的情緒狀態(tài)，捕捉結(jié)果如圖9所示。

(a) 高興；(b) 平靜；(c) 悲傷；(d) 恐懼；(e) 驚訝；(f) 憤怒；(g) 厭惡

在有源場(chǎng)情緒空間中，可以通過(guò)機(jī)器人的認(rèn)知情緒狀態(tài)與當(dāng)前情緒狀態(tài)得到其在空間中的情緒狀態(tài)轉(zhuǎn)移概率分布。在某時(shí)刻，指導(dǎo)情緒狀態(tài)坐標(biāo)為(0, 5, 0)，由表情分析得到的外界刺激狀態(tài)為悲傷，其坐標(biāo)位于(?6, ?4, 0)。從而得到其認(rèn)知情緒狀態(tài)遵循數(shù)學(xué)期望為，標(biāo)準(zhǔn)差為的高斯分布，如圖10所示。從圖10可以得到點(diǎn)(?4.5, ?1.75, 0)處的概率為函數(shù)的最大值。在處于相同認(rèn)知情緒狀態(tài)，而機(jī)器人的當(dāng)前情緒狀態(tài)不同時(shí)，其下一情緒狀態(tài)的轉(zhuǎn)移概率不同。圖11所示為認(rèn)知情緒狀態(tài)位于(?4.5, ?1.75, 0)時(shí)，不同情緒狀態(tài)周?chē)男睦韯?shì)能分布。

圖10 認(rèn)知情緒狀態(tài)的概率分布

圖11 相同認(rèn)知情緒下機(jī)器人的心理能量分布

4 實(shí)驗(yàn)及結(jié)果分析

表2所示為以悲傷為外界刺激，高興為指導(dǎo)認(rèn)知情緒時(shí)，機(jī)器人的情緒調(diào)節(jié)過(guò)程。在外界刺激發(fā)生前，機(jī)器人處于平靜狀態(tài)。當(dāng)悲傷的外界刺激發(fā)生時(shí)，若無(wú)認(rèn)知重評(píng)與表達(dá)抑制模型，機(jī)器人的情緒表現(xiàn)為極度悲傷并大哭。然而，在積極的情緒指導(dǎo)與表達(dá)抑制的共同作用下，機(jī)器人的實(shí)際反應(yīng)并不激烈，只是變現(xiàn)出淡淡的悲傷，這將在交互過(guò)程中起到適當(dāng)?shù)幕?dòng)與情緒指引作用，并不會(huì)使交互陷入以參與者為主導(dǎo)的偏激循環(huán)中。隨著時(shí)間的遷移，機(jī)器人的情緒狀態(tài)將在強(qiáng)度衰減作用下慢慢恢復(fù)平靜。

表2 機(jī)器人的情緒調(diào)節(jié)過(guò)程

在交互過(guò)程中，設(shè)置5組交互模式對(duì)比實(shí)驗(yàn)，如表3所示，以分別評(píng)估認(rèn)知重評(píng)、表達(dá)抑制以及情緒衰減強(qiáng)度對(duì)交互效果的影響。在10 min情緒交互實(shí)驗(yàn)后，30名參與者分別對(duì)每種交互模式進(jìn)行打分(滿分為5分)，最終取30名參與者的平均分作為最終得分。從評(píng)估結(jié)果可知，無(wú)任何情緒模型的組1得分最低，而綜合融入認(rèn)知重評(píng)、表達(dá)抑制、情緒強(qiáng)度衰減的組5最貼近用戶的需求。此外，從分?jǐn)?shù)差可以看出：認(rèn)知重評(píng)對(duì)改善參與者的體驗(yàn)最為有效，表達(dá)抑制次之，情緒強(qiáng)度衰減貢獻(xiàn)最小。

表3 參與者的評(píng)估結(jié)果

5 結(jié)論

1) 以13自由度的機(jī)器人實(shí)驗(yàn)平臺(tái)為基礎(chǔ)，將Gross認(rèn)知重評(píng)策略引入到基于隱馬爾科夫的情緒交互模型中，建立起連續(xù)空間中的機(jī)器人情緒交互模型。在此情緒狀態(tài)空間中，首先，可以通過(guò)指導(dǎo)情緒的強(qiáng)度、自發(fā)性心理調(diào)節(jié)機(jī)制與當(dāng)前機(jī)器人對(duì)外界情緒的開(kāi)放度計(jì)算得到認(rèn)知情緒的概率分布；其次，可以依據(jù)情緒自身屬性(情緒的效價(jià))計(jì)算得到機(jī)器人的情緒隨時(shí)間的衰減規(guī)律；最后，可以通過(guò)與情緒的喚醒度息息相關(guān)的表達(dá)抑制作用來(lái)得到機(jī)器人外在情緒表現(xiàn)的動(dòng)作幅度。從而，由心理能量驅(qū)動(dòng)的機(jī)器人的情緒調(diào)節(jié)過(guò)程可以通過(guò)空間的三維坐標(biāo)值得以量化。

2) 將認(rèn)知重評(píng)、情緒強(qiáng)度衰減、表達(dá)抑制與HMM的不確定性情緒調(diào)節(jié)模型相結(jié)合，得到連續(xù)空間中個(gè)性化的機(jī)器人情緒交互模型，以此模仿人類(lèi)的情緒交流過(guò)程。實(shí)驗(yàn)證明，具備認(rèn)知及情緒控制能力的機(jī)器人可以在交互過(guò)程中得到參與者更多的認(rèn)可。

[1] VINCIARELLI A, MOHAMMADI G. A survey of personality computing[J]. IEEE Transactions on Affective Computing, 2014, 5(3): 273?291.

[2] WHITEHILL J, SERPELL Z, LIN Y C, et al. the faces of engagement: automatic recognition of student engagement from facial expressions[J]. IEEE Transactions on Affective Computing, 2014, 5(1): 86?98.

[3] WEN Wanhui, LIU Guangyuan, CHENG Nanpu, et al. Emotion recognition based on multi-variant correlation of physiological signals[J]. IEEE Transactions on Affective Computing, 2014, 5(2): 126?140.

[4] MEULEMAN B, SCHERER K R. Nonlinear appraisal modeling: an application of machine learning to the study of emotion production[J]. IEEE Transactions on Affective Computing, 2013, 4(4): 398?411.

[5] BROEKENS J, BOSSE T, MARSELLA S C. Challenges in computational modeling of affective processes[J]. IEEE Transactions on Affective Computing, 2013, 4(3): 242?245.

[6] LAZARUS R S. Relational meaning and discrete emotions. Appraisal processes in emotion: theory, methods, research[M]. Oxford: Oxford University Press, 2001: 37?67.

[7] EKMAN P. Lie catching and microexpressions[M]. Oxford: Oxford University Press, 2009: 118?133.

[8] AMERO D. Modeling motivations and emotions as a basis for intelligent behavior[C]// 1st International Symposium Autonomous Agents, New York: ACM, 1997: 148?155.

[9] GADANHO S. Reinforcement learning in autonomous robots: an empirical investigation of the role of emotions[D]. Edinburgh: University of Edinburgh, 1999: 35?47.

[10] VELáSQUEZ J. An emotion-based approach to robotics[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems. NJ: IEEE, 1999: 235?240.

[11] MURPHY R, LISETTI C, TARDIF R, et al. Emotion based control of cooperating heterogeneous mobile robots[J]. IEEE Transactions on Robotics and Automation, 2002, 18(5): 744?757.

[12] MEHRABIAN A. Pleasure arousal dominance: a general framework for describing and measuring individual differences in temperament[J]. Current Psychology: Developmental, Learning, Personality, Social, 1996, 14(4): 2612?2621.

[13] WU Qi, SHEN Xunbing, FU Xiaolan. The machine knows what you are hiding: an automatic micro-expression recognition system[C]// Proceedings 4th International Conference on Affective Computing and Intelligent Interaction. Berlin: Springer-verlag, 2011: 152?162.

[14] LIU T, CHEN W, LIU C H, et al. Benefits and costs of uniqueness in multiple object tracking: the role of object complexity[J]. Vision Research, 2012, 66: 31?38.

[15] SCHERER K, EKAM P. Approaches to emotions[M]. Hillsdale: Lawrence Erlbaum Associates, 1984: 158?169.

[16] ORTONY A, CLORE G L, COLLINS A. The cognitive structure of emotions[M]. London: Cambridge University Press, 1988: 23?29.

[17] ZECCA M, ROCCELLA S, MIWA H. On the development of the emotion expression humanoid robot WE-4RII with RCH-1[C]// Proceedings of the 4th IEEE/RAS International Conference on Humanoid Robots. Tokyo, Japan, 2005: 235?252.

[18] BREAZEAL C. Function meets style: insights from emotion theory applied to HRI[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews, 2004, 34(2): 187?194.

[19] GROSS J J. Emotion regulation: affective, cognitive, and social consequences[J]. Psychophysiology, 2002, 39(3): 281?291.

[20] GROSS J J. Emotion regulation in adulthood: timing is everything[J]. Current Directions in Psychological Science, 2001, 10(6): 214?219.

[21] LIU Xin, XIE Lun, YANG Wenxiang, et al. Dynamic regulation process of facial expression robot[J]. Journal of Control Theory and Applications, 2011, 28(7): 936?946.

[22] GROSS J J. The emerging field of emotion regulation: an integrative review[J]. Review of General Psychology, 1998, 2(3): 271?299.

Robot emotional interaction model in continuous space

XIE Lun, LIU Xin, HE Miao, WANG Zhiliang

(School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing 100083, China)

A service robot’s continuous and controlled emotional regulation in active field state space was proposed based on field force theory in human-robot interaction. First, on the basis of Fechner-Weber law, emotional spontaneous and guidable cognitive reappraisal in Gross strategies were analyzed quantitatively. Second, emotional attenuation model associated with valence was set up by the emotion intensity third law, and energy space in active field was proposed for simulating the interaction between external stimulus and robot’s emotion. Finally, the stimulating emotional transfer algorithm based on Hidden Markov Model (HMM) was come up with to realize real-time dynamic control on 13 DOF service robot for uncertainty emotional regulation in interaction with atypical facial expressions. The anthropomorphic emotional regulation which operates in a continuous 3D emotional space enables a wide range of intermediary emotional states to be obtained. The results show that the robot with cognition and emotional control ability could serve more participants’ emotional needs in the human-robot interaction (HRI).

robot; human-robot interaction; cognitive reappraisal; emotional regulation; active field emotional space

10.11817/j.issn.1672-7207.2016.09.019

TP242.6

A

1672?7207(2016)09?3050?08

2015?05?26；

2015?09?24

國(guó)家自然科學(xué)基金資助項(xiàng)目(61672093，61432004)；國(guó)家科技支撐計(jì)劃項(xiàng)目(2014BAF08B04)；北京市自然科學(xué)基金資助項(xiàng)目(4164091)；中國(guó)博士后科學(xué)基金資助項(xiàng)目(2015M580048)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金資助項(xiàng)目(FRF-TP-15-034A1) (Projects(61672093, 61432004) supported by the National Natural Science Foundation of China; Project(2014BAF08B04) supported by the National Science and Technologies Pillar Program of China; Project(4164091) supported by Beijing Natural Science Foundation; Project(2015M580048) supported by National Science Foundation for Postdoctoral Scientists of China; Project(FRF-TP-15-034A1) supported by Fundamental Research Funds for the Central Universities)

解侖，博士，教授，博士生導(dǎo)師，從事機(jī)器人、人工智能、認(rèn)知情感計(jì)算研究；E-mail: xielun@ustb.edu.cn

(編輯 趙俊)